IMPLEMENTASI JARINGAN SYARAF TIRUAN RECURRENT DENGAN METODE PEMBELAJARAN GRADIENT DESCENT ADAPTIVE LEARNING RATE UNTUK PENDUGAAN CURAH HUJAN
|
|
- Shinta Darmadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 IMPLEMENTASI JARINGAN SYARAF TIRUAN RECURRENT DENGAN METODE PEMBELAJARAN GRADIENT DESCENT ADAPTIVE LEARNING RATE UNTUK PENDUGAAN CURAH HUJAN Afan Galih Salman Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Universitas Bina Nusantara Jl K.H. Syahdan No.9 Palmerah Jakarta Barat ABSTRAK Penggunaan teknologi di bidang Artificial Intellegence khususnya teknologi Jaringan Syaraf Tiruan (JST) dalam pendugaan curah hujan dapat dilakukan dengan metoda pendekatan pembelajaran. Berdasarkan kemampuan belajar yang dimilikinya, maka JST dapat dilatih untuk mempelajari dan menganalisa pola data masa lalu dan berusaha mencari suatu formula atau fungsi yang akan menghubungkan pola data masa lalu dengan keluaran yang diinginkan pada saat ini. Keakuratan hasil prediksi JST diukur berdasarkan koefisien determinasi (R 2 ) dan Root Mean Square Error (RMSE). Penelitian ini menerapkan jaringan syaraf tiruan Recurrent Elman yang teroptimasi secara heuristik untuk pendugaan curah hujan berdasarkan peubah El-Nino Southern Oscilation (ENSO) seperti Angin,, Southern Oscillation Index (SOI), Sea Surface Temperatur (SST) dan Outgoing Long Wave Radiation (OLR) dengan studi kasus daerah Bongan Bali. Optimasi pembelajaran heuristik yang dilakukan pada dasarnya adalah pengembangan kinerja algoritma pembelajaran gradient descent standard menjadi algoritma pelatihan yaitu : gradient descent adaptive learning rate. Pola input data yang digunakan sangat berpengaruh terhadap kinerja JST Recurrent Elman dalam melakukan proses pendugaan. Kelompok data pertama yaitu 75% data pelatihan & 25% data uji menghasilkan R 2 maksimum 69,2% untuk leap 0 sedangkan kelompok data kedua yaitu 50% data pelatihan & 50% data uji menghasilkan R 2 maksimum 53,6 % untuk leap 0. Hasil nilai R 2 pada leap 0 lebih baik dibandingkan pada leap l, leap 2 dan leap 3. Kata Kunci : Jaringan Syaraf Tiruan Recurrent Elman, ENSO, Koefisien Determinasi (R 2 ), Root Mean Square Error (RMSE), Gradient Descent Adaptive Learning Rate. 1. PENDAHULUAN 1.1 Latar Belakang Pendugaan curah hujan di sektor pertanian kini telah menjadi kebutuhan utama, seperti halnya pemilihan bibit, pupuk, dan pemberantas hama. Informasi tentang banyak curah hujan sangat berguna bagi petani dalam mengantisipasi peristiwaperistiwa ekstrim seperti kekeringan dan banjir. Oleh karena itu dibutuhkan pendugaan curah hujan yang cepat dan akurat. Dengan menggunakan sistem komputasi di bidang Artificial Intellegence, yaitu Jaringan Syaraf Tiruan (JST), maka identifikasi pola data dari sistem pendugaan curah hujan dapat dilakukan dengan metoda pendekatan pembelajaran. Berdasarkan kemampuan belajar yang dimilikinya, maka JST dapat dilatih untuk mempelajari dan menganalisa pola data masa lalu dan berusaha mencari suatu formula atau fungsi yang akan menghubungkan pola data masa lalu dengan keluaran yang diinginkan pada saat ini. Keakuratan hasil prediksi JST diukur berdasarkan koefisien determinasi (R 2 ) dan Root Mean Square Error (RMSE). Model model pendugaan curah hujan yang telah dilakukan selama ini belum banyak yang menggunakan data peubah El-Nino Southern Oscilation (ENSO) sebagai masukan model JST padahal peubah ENSO cukup berpengaruh terhadap tinggi rendahnya curah hujan di sebagian besar wilayah Indonesia (Yusmen 1998). Penelitian yang pernah dilakukan sebelumnya hanya menggunakan data suhu dan curah hujan sebagai masukan model JST, diantaranya adalah penerapan metode Principal Component Regression (Fitriadi, 2004:1) menghasilkan R 2 sebesar 63,16%, JST propagasi balik standar (Normakristagaluh, 2004:1) menghasilkan R 2 sebesar 74,02%, JST propagasi balik standar menghasilkan R 2 sebesar 48,179% (Apriyanti, 2005:1) dan JST dengan optimasi algoritma genetika menghasilkan R 2 sebesar 87,7% (Apriyanti, 2005:1). Berdasarkan hal tersebut penelitian di bidang ini masih layak dan perlu dilakukan untuk mendapatkan model pendugaan curah hujan yang lebih akurat. Dalam penelitian ini digunakan JST recurrent yang teroptimasi secara heuristik. Keunikan JST recurrent adalah adanya koneksi umpan balik yang membawa informasi gangguan (noise) pada saat masukan sebelumnya yang akan diakomodasikan bagi masukan berikutnya. Hal ini dapat meningkatkan kinerja JST recurrent khususnya dalam mengidentifikasi pola peubah ENSO terhadap F-1
2 pendugaan curah hujan. Data peubah ENSO yang digunakan yaitu : wind, Southern Oscillation Index (SOI), Sea Surface Temperatur (SST) dan Outgoing Long Wave Radiation (OLR) Optimasi heuristik adalah pengembangan dari suatu analisa kinerja pada algoritma gradient descent standard yang terdiri dari tiga algoritma pelatihan yaitu : gradient descent adaptive learning rate, gradient descent adaptive learning rate & momentum serta resilient backpropagation. 1.2 Tujuan Penelitian Penelitian ini bertujuan mengembangkan model JST recurrent yang teroptimasi secara heuristik gradient descent adaptive learning rate, untuk pendugaan curah hujan berdasarkan peubah ENSO. 1.3 Ruang Lingkup Penelitian a. Model yang digunakan dalam penelitian ini dibatasi pada JST recurrent tipe Elman. b. Optimasi pembelajaran yang dilakukan dengan menggunakan teknik heuristik yaitu :, gradient descent adaptive learning rate. c. Data curah hujan berasal dari Balai Penelitian Agroklimat & Hidrologi (BALITKLIMAT) Bogor dan data ENSO berasal dari Lembaga Internasional seperti National Weather Service Center for Environmental Prediction Climate (NOAA). d. Data masukan hanya terdiri dari peubah ENSO dan target data curah hujan sehingga faktor-faktor pengaruh curah hujan lainnya tidak diperhitungkan. e. Model penelitian terbatas untuk daerah Bongan Bali. 1.4 Manfaat Penelitian Model JST recurrent yang diperoleh nantinya diharapkan dapat lebih meningkatkan keakuratan dan kecepatan dalam pendugaan curah hujan khususnya di wilayah Indonesia dengan menggunakan peubah-peubah ENSO dan membuka jalan bagi pengembangan penelitian di bidang yang sama dengan jumlah peubah yang berbeda. 1.5 Blok Diagram Sistem JST recurrent adalah jaringan yang mengakomodasi keluaran jaringan untuk menjadi input pada jaringan itu lagi dalam rangka menghasilkan keluaran jaringan berikutnya. Pada penelitian ini digunakan jaringan JST recurrent tipe Elman. Jaringan ini dapat terdiri dari satu atau lebih lapisan tersembunyi, lapisan pertama memiliki bobot-bobot yang diperoleh dari lapisan input, setiap lapisan akan menerima bobot dari lapisan sebelumnya. Jumlah neuron dan lapisan tersembunyi disesuaikan dengan kompleksitas permasalahan. Delay yang terjadi pada hubungan antara lapisan input dengan lapisan tersembunyi pertama pada waktu sebelumnya (t-1) dapat digunakan untuk saat ini (t). Blok diagram sistem proses pemodelan JST dalam pendugaan curah hujan berdasarkan peubah ENSO disajikan pada Gambar 1. Gambar 1. Blok Diagram Pemodelan 2. LANDASAN TEORI 2.1 Pendugaan Curah Hujan Pendugaan curah hujan di sektor pertanian kini telah menjadi kebutuhan utama, seperti halnya pemilihan bibit, pupuk, dan pemberantas hama. Informasi curah hujan bahkan menjadi acuan dalam memilih jenis bibit, waktu tanam dan jumlah stok bahan pangan pokok yang harus disediakan untuk memenuhi kebutuhan masyarakat. Bila dugaan tentang datangnya awal musim, termasuk sifat hujan dan periode musim meleset jauh, dampaknya bisa berupa kerugian besar bagi petani karena gagal panen dan kelangkaan pangan (Yusmen, 1998: 4). Pendugaan curah hujan juga menjadi faktor penting di sektor pengairan atau pengelolaan daerah aliran sungai dalam kaitannya dengan sistem peringatan dini ketika terjadi banjir. Informasi curah hujan yang akurat, sangat penting bagi masyarakat khususnya yang berada di kawasan rawan banjir di bantaran sungai atau di daerah cekungan sehingga proses evakuasi dapat dilakukan lebih awal dan kerugian material serta korban jiwa dapat dihindari. Curah hujan di Indonesia hampir seluruhnya dipengaruhi ENSO. ENSO adalah istilah yang terdiri dari dua fenomena yaitu El Nino merupakan fenomena lautan dan Southern Oscillation merupakan fenomena atmosfer. Istilah ENSO tidak begitu populer di kalangan media massa, istilah El Nino-lah yang sering dipakai. Peubah ENSO yang umumnya digunakan adalah SOI yaitu perbedaan antara nilai indeks tekanan udara di Tahiti dan Darwin, dan SST yaitu nilai anomali suhu permukaan laut, selain peubah lainnya wind dan OLR. Pemanasan suhu muka laut di sebelah barat Samudra Pasifik menimbulkan gangguan cuaca ENSO, yaitu berdampak kurangnya curah hujan di kawasan timur Pasifik termasuk Indonesia. Sebaliknya ketika pemanasan terjadi di timur Pasifik disebut anomali cuaca La Nina, hujan yang tinggi F-2
3 terjadi di wilayah tersebut (Lakshmi Sri et al. 2003:4). Daerah di Indonesia yang bakal terpengaruh El Nino atau La Nina adalah Papua, Maluku, Sulawesi, sebagian besar Sumatera, Sumatera Selatan, seluruh Pulau Jawa, Kalimantan Barat, Kalimantan Tengah, Kalimantan Selatan, Kalimantan Timur, Sulawesi, Maluku, Bali, Nusa Tenggara, dan Irian Jaya. Sementara daerah yang tidak terpengaruh oleh ENSO adalah Aceh, Sumatera Utara, Sumatera Barat, Riau, Jambi dan Bengkulu. Pengaruh ENSO yang paling kuat terjadi pada tahun Prakiraan cuaca mengenai terjadinya kekeringan karena El Nino sebenarnya tidak dapat dipukul rata akan terjadi di seluruh wilayah Indonesia. Di wilayah Pare-Pare dan Sulawesi Selatan dapat terjadi empat gangguan cuaca dengan pola yang berbeda ( Effendy 2001:1). Berdasarkan hal tersebut di atas maka prakiraan cuaca di Indonesia tidak bisa diberlakukan secara umum, apalagi di negeri yang luas ini terbagi tiga tipe cuaca, yaitu ekuatorial, monsun dan lokal. Di wilayah dengan pola cuaca tersebut, datangnya musim kemarau dan hujan sepanjang tahun akan berbeda-beda, bahkan berkebalikan. Melihat fenomena tersebut maka di masa mendatang Indonesia perlu mengembangkan model pendugaan curah hujan sendiri karena wilayah Indonesia yang berada di antara dua benua dan dua samudera merupakan daerah yang memiliki karakteristik iklim dan cuaca yang tiada duanya di dunia (Yusmen 1998:4). 2.2 Jaringan Syaraf Tiruan Peniruan cara berpikir otak manusia dengan menggunakan sistem komputer telah memberi inspirasi kepada para ilmuwan pada abad ini. Dimulai sejak lima puluh tahun yang lalu, ilmuwan telah menciptakan model perangkat elektronik pertama dari sel-sel syaraf. Semenjak itu banyak komunitas ilmuwan bekerja dalam model matematika baru ini beserta algoritma-algoritma pembelajaran. Sekarang, model itu lebih dikenal dengan nama jaringan syaraf tiruan. Jaringan syaraf tiruan menggunakan sejumlah unit komputasi sederhana yang disebut neuron, yang berusaha meniru perilaku sel tunggal otak manusia. Otak manusia sendiri mengandung 10 milyar sel sel syaraf dengan sekitar synapses. Neuronneuron biologis memancarkan sinyal elektrokimia pada jalur-jalur syaraf, yang terdiri atas bagian body, axon dan dendrit. Sinyal datang melalui dendrit, diolah oleh body dan dihantarkan melalui axon. Sel itu sendiri mengandung kernel dan bagian luarnya membrane elektrik. Setiap neuron mempunyai level aktivasi, dengan range diantara maksimum dan minimum. Setiap neuron menerima sinyal-sinyal dari neuron lain melalui sambungan khusus synapses yang berfungsi untuk memperbesar dan memperkecil aktivasi neuron terhadap neuron lainnya. Synapses ini membawa level aktivasi dari neuron pengirim ke neuron penerima. JST merupakan system pemrosesan informasi yang memiliki karakteristik serupa dengan jaringan syaraf biologis dengan ciri-ciri: 1. Pola hubungan antara elemen-elemen sederhana yakni neuron. 2. Metode penentuan bobot koneksi. 3. Fungsi aktivasinya. JST mempunyai sifat dan kemampuan: a. Akuisisi pengetahuan di bawah derau (noise) dan ketidakpastian (uncertainty). b. Representasi pengetahuan yang fleksibel. c. Pemrosesan pengetahuan yang effisien. d. Toleransi kesalahan, dengan representasi pengetahuan terdistribusi dan pengkodean informasi yang redundan, kinerja system tidak menururn drastic berkaitan dengan responnya terhadap kesalahan (Workshop JNB, 2002:6). 2.3 Jaringan Syaraf Tiruan Propagasi Balik. Model neuron yang pertama diperkenalkan pada tahun 1943 oleh McCulloch dan Pitts. Heb pada tahun 1949 mengusulkan sebuah aturan pembelajaran yang menjelaskan bagaimana sebuah jaringan sel-sel syaraf belajar. Kemudian Rosenblatt pada tahun 1958 menemukan algoritma pembelajaran perceptron, serta Widrow dan Hoff mengusulkan varian dari pembelajaran perceptron yang disebut aturan Widrow-Hoff. Kemudian pada tahun 1969, Minsky dan Papert menunjukkan keterbatasan teoritis dari jaringan neural lapis tunggal (single layer neural networks) sehingga menyebabkan penurunan riset di bidang ini. Tetapi pada tahun 1980-an pendekatan JST hidup kembali dimulai oleh Hopfield yang memperkenalkan ide minimasi energi dalam fisika ke dalam JST. Pada pertengahan dekade tersebut algoritma propagasi balik (backpropagation) yang dikembangkan Rumelhart, Hinton dan Williams memberikan pengaruh besar tidak hanya bagi riset-riset JST tetapi juga bagi ilmu komputer, kognitif dan biologi yang lebih luas. Algoritma ini menawarkan solusi untuk pembelajaran JST lapis banyak (multi-layer neural networks) sehingga dapat mengatasi keterbatasan jaringan syaraf lapis tunggal. Prinsip dasar algoritma backpropagation memiliki tiga tahap : Tahap feedforward pola input pembelajaran Tahap kalkulasi dan backpropagation error yang diperoleh. Tahap penyesuaian bobot. Arsitektur yang digunakan adalah jaringan perceptron lapis banyak (multi-layer perceptrons.). Hal ini merupakan generalisasi dari arsitektur perceptron lapis tunggal (single layer perceptron). Secara umum, algoritma jaringan ini membutuhkan waktu pembelajaran yang memang lambat, tetapi setelah pembelajaran dan pelatihan selesai, F-3
4 aplikasinya akan memberikan output yang sangat cepat (Workshop JNB 2002) Optimasi Pembelajaran Heuristik Pada JST backpropagation dikenal optimasi teknik heuristik yaitu algoritma pelatihan yang berfungsi untuk lebih mempercepat proses pelatihan dan merupakan pengembangan dari suatu analisa kinerja pada algoritma steepest (gradient) descent standard. : Gradient Descent Adaptive Learning Rate. Teknik heuristik ini memperbaiki bobot berdasarkan gradient descent dengan laju pembelajaran yang bersifat adaptive. Pada gradient descent standard, selama proses pembelajaran, laju pembelajaran (α) akan terus bernilai konstan. Apabila laju pembelajaran terlalu tinggi, maka algoritma menjadi tidak stabil. Sebaliknya, jika laju pembelajaran terlalu kecil maka algoritma akan sangat lama dalam mencapai kekonvergenan. Pada kenyataannya, nilai laju pembelajaran yang optimal akan terus berubah selama proses pelatihan seiring dengan berubahnya nilai fungsi kinerja. Pada gradient descent adaptive learning rate, nilai laju pembelajaran akan diubah selama proses pelatihan untuk menjaga agar algoritma ini senantiasa stabil selama proses pelatihan. Kinerja jaringan syaraf dihitung berdasarkan nilai output jaringan dan error pelatihan. Pada setiap epoh, bobot-bobot baru dihitung dengan menggunakan laju pembelajaran yang ada. Kemudian dihitung kinerja jaringan syaraf baru. Jika perbandingan kinerja syaraf baru dan kinerja syaraf lama melebihi maksimum kenaikan kerja (max_perf_inc), maka bobot baru tersebut akan diabaikan, dan nilai laju pembelajaran akan dikurangi dengan cara mengalikannya dengan parameter penurunan laju pembelajaran (lr_dec). Sebaliknya, apabila perbandingan kinerja syaraf baru dan kinerja syaraf lama kurang dari maksimum kenaikan kerja, maka nilai bobot-bobot akan dipertahankan, dan nilai laju pembelajaran akan dinaikkan dengan cara mengalikannya dengan parameter penambahan laju pembelajaran (lr_inc). Langkah-langkah teknik heuristik ini adalah : 1. Hitung bobot dan bias baru lapisan output dengan menggunakan persamaan: w jk (baru) = w jk (lama) + w jk b2 k (baru) = b2 k (lama) + b2 k 2. Hitung bobot dan bias baru lapisan tersembunyi dengan menggunakan persamaan : v ij (baru) = v ij (lama) + v ij b1 j (baru) = b1 j (lama) + b1 j 3. Hitung kinerja jaringan syaraf baru (perf2) dengan menggunakan bobot-bobot baru tersebut. 4. Bandingkan kinerja jaringan syaraf baru (perf2) kinerja jaringan syaraf sebelumnya (perf ). 5. Jika perf2/perf >max_perf_inc maka laju pembelajaran (α) = α *lr_dec. 6. Jika perf2/perf < max_perf_inc maka laju pembelajaran (α) = α *lr_inc. 7. Jika perf2/perf max_perf_inc maka bobot baru diterima sebagai bobot sekarang (Kusumadewi,2004:150). 2.4 Jaringan Syaraf Tiruan Recurrent Elman JST recurrent adalah jaringan yang mengakomodasi keluaran jaringan untuk menjadi masukan pada jaringan itu lagi dalam rangka menghasilkan keluaran jaringan berikutnya. Jaringan recurrent Elman terdiri atas satu atau lebih lapisan tersembunyi. Lapisan pertama memiliki bobot-bobot yang diperoleh dari lapisan input, setiap lapisan akan menerima bobot dari lapisan sebelumnya. Jaringan ini biasanya menggunakan fungsi aktivasi sigmoid bipolar untuk lapisan tersembunyi dan fungsi linear (purelin) untuk lapisan keluaran. Tidak seperti pada backpropagation, pada jaringan Elman ini, mempunyai fungsi aktivasi yang dapat berupa sembarang fungsi, baik yang kontinyu maupun diskontinyu. Delay yang terjadi pada hubungan antara lapisan input dengan lapisan tersembunyi pertama pada waktu sebelumnya (t-1) dapat digunakan untuk saat ini (t) Keunikan JST recurrent adalah adanya koneksi umpan balik yang membawa informasi gangguan (noise) pada saat masukan sebelumnya yang akan diakomodasikan bagi masukan berikutnya. Gambar 2. Arsitektur JST Recurrent 2.5 Inisialisasi Nguyen-Widrow. Inisialisasi ini umumnya mempercepat proses pembelajaran dibandingkan dengan inisialisasi acak. Inisialisasi Nguyen-Widrow didefinisikan sebagai persamaan berikut: a. Hitung harga faktor pengali β β = 0.7 p 1/n Dimana : β = Faktor pengali. n = Jumlah neuron lapisan input. F-4
5 p = Jumlah neuron lapisan tersembunyi b. Untuk setiap unit tersembunyi ( j=1, 2,...,p): hitung v ij (lama) yaitu bilangan acak antara -0.5 dan 0.5 (atau di antara -γ dan sampai γ). c. Hitung : v j Pembaharuan bobot v ij (lama) menjadi v ij (baru) yaitu : pendugaan curah hujan yang lebih akurat khususnya berdasarkan peubah ENSO. Selanjutnya dikembangkan model JST recurrent yang teroptimasi secara heuristik. Metodologi selengkapnya disajikan pada Gambar 3. β v ij (lama) v ij (lama) = v j (lama) d. Set bias : B 1j = Bilangan random antara β sampai β. 2.5 Ketepatan Pendugaan Ketepatan pendugaan sebuah model regresi dapat dilihat dari koefisien determinasinya (R 2 ) dan Root Mean Square Error (RMSE). Nilai R 2 menunjukan proporsi jumlah kuadrat total yang dapat dijelaskan oleh sumber keragaman peubah bebas, sedangkan RMSE menunjukan besar simpangan nilai dugaan terhadap nilai aktualnya. R 2 adalah kuadrat dari korelasi antara nilai vektor observasi y dengan nilai vektor penduga ŷ. Kecocokan model semakin baik jika R 2 mendekati 1 dan RMSE mendekati DATA & METODE PENELITIAN 3.1 Data Data yang digunakan dalam penelitian ini adalah : a. Data ENSO Data ini diperoleh dari lembaga internasional National Weather Service Center for Environmental Prediction Climate (NOAA) selama 83 bulan dengan domain cakupan data peubah ENSO ini adalah wilayah Nino-3,4 yaitu : 5 o LU - 5 o LS dan 90 o BB o BB. b. Data Curah Hujan Data curah hujan yang digunakan dalam penelitian ini adalah curah hujan rata-rata di daerah Bongan Bali selama 83 bulan dengan domain cakupan data 08 o S o E dengan ketinggian 124 meter yang diperoleh dari BALITKLIMAT Bogor. 3.2 Metode Penelitian Penelitian diawali dengan studi pustaka yaitu mengidentifikasi peubah ENSO dan pengaruhnya terhadap curah hujan di wilayah Indonesia. Langkah berikutnya mempelajari penelitian-penelitian yang pernah dilakukan uintuk mengetahui metoda yang digunakan dan ketepatan pendugaan yang telah dicapai. Dari hasil studi pustaka diidentifikasi masalah yang ada, yaitu perlunya suatu pemodelan Gambar 3. Metode Penelitian 4. PERANCANGAN & IMPLEMENTASI SISTEM 4.1 Desain Arsitektur. Arsitektur yang digunakan adalah jaringan recurrent tipe Elman dengan 2 lapisan tersembunyi. Masukan terdiri dari data : wind, SOI, SST dan OLR dan target adalah data curah hujan. Pada saat proses penentuan arsitektur standar JST recurrent, dilakukan proses trial & error untuk mendapatkan unjuk kerja JST yg optimum dengan parameter : Dimensi jaringan ( jumlah neuron dan hidden layer ). Laju Pembelajaran ( learning rate ) Algoritma pembelajaran yang digunakan adalah optimasi teknik heuristik Gradient descent adaptive learning rate. Setiap proses pelatihan dan pengujian diulang sebanyak 20 kali untuk dicari nilai rata-rata dan simpangan bakunya. Hasil dari pengujian adalah tingkat keakuratan antara nilai dugaan dengan nilai aktual berdasarkan dua parameter yaitu R 2 dan RMSE. Nilai R 2 yang diperoleh dikalikan 100% untuk memudahkan pembacaan tingkat keakurasian. F-5
6 4.2 Tahapan Penelitian Dalam penelitian ini akan dikaji permodelan JST recurrent yang teroptimasi secara heuristik untuk pendugaan curah hujan berdasarkan peubah ENSO. Tahapan permulaan, masing-masing kelompok data akan mengalami proses inisialisasi dengan menggunakan metoda Nguyen-Widrow. Jumlah neuron dan hidden layer ditetapkan dengan percobaan pendahuluan secara trial & error dan merujuk pada penelitian-penelitian sebelumnya. Tahap berikutnya dilakukan percobaan yaitu : a. Langkah pertama dilakukan pembelajaran terhadap ke empat peubah ENSO dan curah hujan sebagai target, dengan menggunakan kelompok data pertama yaitu 75% data pelatihan dan 25% data pengujian. b. Langkah kedua dilakukan pembelajaran terhadap ke empat peubah ENSO dan curah hujan sebagai target, dengan menggunakan kelompok data kedua yaitu 50% data pelatihan dan 50% data pengujian. Leap 3 pendugaan curah hujan jatuh pada tiga bulan ke depan. Setiap percobaan dilakukan pengulangan/iterasi sebanyak 20 kali dengan tujuan memperoleh rata-rata R 2 dan RMSE yang memiliki simpangan baku terkecil. Nilai R 2 dan RMSE tiap kombinasi terletak pada selang nilai tertentu (minimum dan maksimum). Hasil percobaan pada penelitian ini difokuskan pada perbandingan ketepatan pendugaan JST menghasilkan R 2 maksimum dan RMSE minimum. 4.3 Desain Struktur Data Desain struktur data berupa tabel data bulanan peubah-peubah ENSO & curah hujan seperti disajikan pada Tabel 2. Tabel 2. Contoh Data Peubah ENSO & Curah Hujan Tabel 1. Arsitektur JST Recurrent Standar Struktur standar untuk penelitian dengan menggunakan algoritma pembelajaran gradient descent adaptive learning rate seperti disajikan Komposisi percobaan yang dilakukan adalah terhadap komposisi nilai: lr_inc 1,20 & lr_dec 0,6 lr_inc 1,05 & lr_dec 0,6 lr_inc 1,05 & lr_dec 0,7 Pada setiap kelompok data dengan komposisi di atas dilakukan percobaan terhadap variasi leap yang berbeda-beda yaitu leap = 0, 1, 2, dan 3. Leap 0 pendugaan curah hujan jatuh pada bulan yang sama. Leap 1 pendugaan curah hujan jatuh pada satu bulan ke depan. Leap 2 pendugaan curah hujan jatuh pada dua bulan ke depan. 4.4 Desain Keluaran (Output) Data keluaran berupa tabel hasil penelitian berupa nilai-nilai epoch, R 2 dan RMSE dari setiap kelompok data percobaan yang telah dilakukan juga dihitung nilai nilai R 2 minimum, R 2 maksimum, rata-rata R 2, standar deviasi R 2, RMSE minimum, RMSE maksimum, rata-rata RMSE dan standar deviasi RMSE. 4.5 Perangkat Keras dan Lunak Penelitian ini menggunakan perangkat keras dan lunak sebagai berikut: a. Intel Pentium IV 2,66 GHz b. Memori SDRAM 256 MB hardisk 40 GB c. Matlab 7 d. Microsoft Excel Xp Professional F-6
7 5. HASIL DAN PEMBAHASAN 5.1 Komposisi Data Pelatihan & Pengujian Komposisi data pelatihan & pengujian sangat berpengaruh terhadap keakuratan pendugaan dalam JST. Seperti yang dijelaskan dalam metodologi, data dibagi ke dalam 2 kelompok data percobaan yaitu kelompok data pertama, 75% data (62 bulan) pelatihan dan 25% data (21 bulan) pengujian serta kelompok data kedua 50% data (42 bulan) untuk pelatihan dan 50% data (41 bulan) untuk data pengujian. Masing-masing kelompok data akan dibahas dan diperlihatkan grafik hasil percobaan. 5.2 Kelompok Data Pertama. Tabel 3. Kompilasi Hasil percobaan kelompok data pertama gradient descent adaptive learning rate 5.3 Kelompok Data Kedua Tabel 4. Kompilasi Hasil percobaan kelompok data kedua gradient descent adaptive learning rate 5.4 Komposisi Parameter Terbaik Topologi jaringan JST recurrent yang digunakan dalam penelitian ini berupa satu lapisan input, dua lapisan tersembunyi terdiri dari lapisan tersembunyi pertama dengan jumlah 48 neuron dan lapisan tersembunyi kedua dengan 24 neuron serta satu lapisan output dengan 1 neuron. Topologi ini sudah ditetapkan terlebih dahulu berdasarkan percobaan pendahuluan secara trial & error, tujuannya agar penelitian utama lebih berfokus pada parameter dari algoritma pembelajaran yang akan diterapkan. 5.5 Komposisi Parameter Terbaik Adaptive Learning Rate Percobaan kelompok data pertama untuk leap 0, nilai parameter yang divariasikan adalah lr_inc dan lr_dec. Ketika nilai lr_inc tetap 1,05 dan nilai lr_dec dinaikkan dari 0,6 menjadi 0,7 hasilnya nilai R 2 maksimum naik dari 63,4 menjadi 64,5. Nilai ratarata R 2 naik dari 31,4 menjadi 35,3 sedangkan nilai RMSE turun dari 265,7 menjadi 213,96. Kemudian, nilai lr_inc dinaikkan dari 1,05 menjadi 1,2 dan nilai lr_dec diturunkan dari 0,7 menjadi 0,6 hasilnya nilai R 2 maksimum naik dari 64,5 menjadi 69,2. Nilai rata-rata R 2 turun dari 35,3 menjadi 28,4 sedangkan nilai RMSE naik dari 213,96 menjadi 238,11. Komposisi parameter terbaik percobaan kelompok data pertama untuk leap 0, adalah lr_inc 1,2 dan lr_dec 0,6. Percobaan kelompok data kedua untuk leap 0. Ketika nilai lr_inc tetap 1,05 dan nilai lr_dec dinaikkan dari 0,6 menjadi 0,7 hasilnya nilai R 2 maksimum naik dari 46 menjadi 47,3. Nilai rata-rata R 2 turun dari 38,9 menjadi 38,4 sedangkan nilai RMSE naik dari 244,31 menjadi 272,5. Kemudian nilai lr_inc dinaikkan dari 1,05 menjadi 1,2 dan nilai lr_dec diturunkan dari 0,7 menjadi 0,6 hasilnya nilai R 2 maksimum naik dari 47,3 menjadi 53,6. Nilai rata-rata R 2 naik dari 38,4 menjadi 39,2 sedangkan nilai RMSE naik dari 272,5 menjadi 297,69. Komposisi parameter terbaik percobaan kelompok data kedua untuk leap 0, adalah lr_inc 1,2 dan lr_dec 0,6. Percobaan kelompok data pertama untuk leap 1. Ketika nilai lr_inc tetap 1,05 dan nilai lr_dec dinaikkan dari 0,6 menjadi 0,7 hasilnya nilai R 2 maksimum naik dari 65,1 menjadi 65,9. Nilai ratarata R 2 naik dari 46 menjadi 42,1 sedangkan nilai RMSE naik dari 174 menjadi 183,78. Kemudian nilai lr_inc dinaikkan dari 1,05 menjadi 1,2 dan nilai lr_dec diturunkan dari 0,7 menjadi 0,6 hasilnya nilai R 2 maksimum naik dari 65,9 menjadi 66,5. Nilai rata-rata R 2 naik dari 42,1 menjadi 50,4 sedangkan nilai RMSE turun dari 183,78 menjadi 173,05. Komposisi parameter terbaik percobaan kelompok data pertama untuk leap 1 adalah lr_inc 1,2 dan lr_dec 0,6. Percobaan kelompok data kedua untuk leap 1. Ketika nilai lr_inc tetap 1,05 dan nilai lr_dec dinaikkan dari 0,6 menjadi 0,7 hasilnya nilai R 2 naik dari 46 menjadi 46,4. Nilai rata-rata R 2 naik dari 36,06 menjadi 37,8 sedangkan nilai RMSE naik dari nilai 198,13 menjadi 200,82. Kemudian nilai lr_inc dinaikkan dari 1,05 menjadi 1,2 dan nilai lr_dec diturunkan dari 0,7 menjadi 0,6 hasilnya nilai R 2 maksimum turun dari 46,4 menjadi 45,7. Nilai ratarata R 2 turun dari 37,8 menjadi 37,09 sedangkan nilai RMSE turun dari 200,82 menjadi 197,55. Komposisi parameter terbaik percobaan kelompok data kedua untuk leap 1 adalah lr_inc 1,05 dan lr_dec 0,7. Hasil selengkapnya disajikan pada Tabel 5. F-7
8 Tabel 5..Komposisi parameter terbaik gradient descent adaptive learning rate 6. SIMPULAN JST recurrent yang teroptimasi secara heuristik dengan menggunakan gradient descent adaptive learning rate.dapat diterapkan dalam pendugaan curah hujan berdasarkan peubah ENSO dengan tingkat keakuratan yang cukup baik. Hasil pendugaan curah hujan terbaik pada leap 0 menghasilkan nilai R 2 maksimum 69,2%, leap 1 menghasilkan nilai R 2 maksimum 66,5%, leap 2 menghasilkan nilai R 2 maksimum 61,6%, dan leap 3 menghasilkan nilai R 2 maksimum 55,5%. Komposisi 75% data pelatihan & 25% data pengujian menghasilkan R 2 maksimum lebih tinggi dibandingkan komposisi 50% data pelatihan dan 50% data pengujian. dalam Statistical Downscaling. Bogor:Jurusan Ilmu Komputer FMIPA IPB. Walpole,E.R Pengantar Statistika. Jakarta : PT Gramedia Pustaka Utama. Workshop JNB Aplikasi Jaringan Neural Buatan Pada Pattern Recognition. Laboratorium Kecerdasan Komputasi Fakultas Ilmu Komputer Universitas Indonesia. Yusmen, Dedi Tugas Akhir: Pengaruh ENSO terhadap pola curah, hujan di Wilayah DAS Brantas Selatan-Jawa Timur. Bandung: Jurusan Geofisika dan Meteorologi,FMIPA ITB. PUSTAKA Apriyanti, Novi Optimasi Jaringan Syaraf Tiruan dengan Algoritma Genetika untuk Peramalan Curah Hujan. Bogor : Jurusan Ilmu Komputer FMIPA IPB. Coulibaly, Rasmussen & Bobee A Recurrent Neural Networks ApproachUsing Indices of Low Frequency Climatic Variability to Forecast Regional Annual Runoff. Hydrol.Process. 14, Effendy, Sobri Urgensi Prediksi Cuaca dan Iklim di Bursa Komoditas Unggulan Pertanian. Bogor: Makalah Falsafah Sains Program Pasca Sarjana/S3. Fausett, Laurene Fundamentals of Neural Networks. Prentice-Hall. Fitriadi Kombinasi Model Regresi Komponen Utama dan Arima dalam Statistical Downscaling. Skripsi.Bogor:Jurusan Ilmu Komputer FMIPA IPB. Kusumadewi Sri Membangun Jaringan Syaraf Tiruan menggunakan Matlab & Excell Link. Penerbit Graha Ilmu. Kristanto Andri Jaringan Syaraf Tiruan (Konsep Dasar, Algoritma dan Aplikasi). Penerbit Gaya Media. Lakshmi Sri, R.K. Tiwari & Somvanshi Prediction of Indian Rainfall Index (IRF) using the ENSO variability and Sunspot Cycles-An Artificial Neural Network Approach. J.Ind.Geophys. Union vol.7, No.4.pp Normakristagaluh P Penerapan Jaringan Syaraf Tiruan untuk Peramalan Curah Hujan F-8
Afan Galih Salman; Yen Lina Prasetio
IMPLEMENTASI JARINGAN SYARAF TIRUAN RECURRENT DENGAN METODE PEMBELAJARAN GRADIENT DESCENT ADAPTIVE LEARNING RATE UNTUK PENDUGAAN CURAH HUJAN BERDASARKAN PEUBAH ENSO Afan Galih Salman; Yen Lina Prasetio
Lebih terperinciBAB II. TINJAUAN PUSTAKA
4 BAB II. TINJAUAN PUSTAKA 2. 1 Pendugaan Curah Hujan Pendugaan curah hujan di sektor pertanian kini telah menjadi kebutuhan utama, seperti halnya pemilihan bibit, pupuk, dan pemberantas hama. Informasi
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN RECURRENT MENGGUNAKAN GRADIENT DESCENT ADAPTIVE LEARNING RATE AND MOMENTUM UNTUK PENDUGAAN CURAH HUJAN
IMPLEMENTASI JARINGAN SYARAF TIRUAN RECURRENT MENGGUNAKAN GRADIENT DESCENT ADAPTIVE LEARNING RATE AND MOMENTUM UNTUK PENDUGAAN CURAH HUJAN Afan Galih Salman; Yen Lina Prasetio Jurusan Teknik Informatika,
Lebih terperinciBAB IV PERANCANGAN & IMPLEMENTASI SISTEM
17 BAB IV PERANCANGAN & IMPLEMENTASI SISTEM 4.1 Desain. yang digunakan adalah jaringan recurrent tipe Elman dengan 2 lapisan tersembunyi. Masukan terdiri dari data : wind, SOI, SST dan OLR dan target adalah
Lebih terperinciPEMODELAN JARINGAN SYARAF TIRUAN RECURRENT YANG TEROPTIMASI SECARA HEURISTIK UNTUK PENDUGAAN CURAH HUJAN BERDASARKAN PEUBAH ENSO
PEMODELAN JARINGAN SYARAF TIRUAN RECURRENT YANG TEROPTIMASI SECARA HEURISTIK UNTUK PENDUGAAN CURAH HUJAN BERDASARKAN PEUBAH ENSO AFAN GALIH SALMAN Tesis Sebagai salah satu syarat untuk memperoleh gelar
Lebih terperinciPEMODELAN JARINGAN SYARAF TIRUAN RECURRENT YANG TEROPTIMASI SECARA HEURISTIK UNTUK PENDUGAAN CURAH HUJAN BERDASARKAN PEUBAH ENSO
PEMODELAN JARINGAN SYARAF TIRUAN RECURRENT YANG TEROPTIMASI SECARA HEURISTIK UNTUK PENDUGAAN CURAH HUJAN BERDASARKAN PEUBAH ENSO AFAN GALIH SALMAN Tesis Sebagai salah satu syarat untuk memperoleh gelar
Lebih terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciPRISMA FISIKA, Vol. I, No. 1 (2013), Hal ISSN :
Prediksi Tinggi Signifikan Gelombang Laut Di Sebagian Wilayah Perairan Indonesia Menggunakan Jaringan Syaraf Tiruan Metode Propagasi Balik Abraham Isahk Bekalani, Yudha Arman, Muhammad Ishak Jumarang Program
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA
Aplikasi Jaringan Syaraf Tiruan Multilayer Perceptron (Joni Riadi dan Nurmahaludin) APLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA Joni Riadi (1) dan Nurmahaludin
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN 1.1 Latar belakang Hujan merupakan salah satu unsur iklim yang berpengaruh pada suatu daerah aliran sungai (DAS). Pengaruh langsung yang dapat diketahui yaitu potensi sumber daya air. Besar
Lebih terperinciPemodelan Jaringan Syaraf Tiruan Untuk Memprediksi Awal Musim Hujan Berdasarkan Suhu Permukaan Laut
Tersedia secara online di: http://journal.ipb.ac.id/index.php/jika Volume 1 Nomor 2 Halaman 52-61 ISSN: 2089-6026 Pemodelan Jaringan Syaraf Tiruan Untuk Memprediksi Awal Musim Hujan Berdasarkan Suhu Permukaan
Lebih terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih terperinciPrediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)*
Prediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)* 1)Stasiun Meteorologi Supadio Pontianak Badan Meteorologi
Lebih terperinciANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, M. Rhifky Wayahdi 2 1 Dosen Teknik Informatika,
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
Lebih terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 JARINGAN SARAF SECARA BIOLOGIS Jaringan saraf adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak
Lebih terperinciBACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA
BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA Anggi Purnama Undergraduate Program, Computer Science, 2007 Gunadarma Universiy http://www.gunadarma.ac.id
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih terperinciPOSITRON, Vol. IV, No. 2 (2014), Hal ISSN :
Modifikasi Estimasi Curah Hujan Satelit TRMM Dengan Metode Jaringan Syaraf Tiruan Propagasi Balik Studi Kasus Stasiun Klimatologi Siantan Fanni Aditya 1)2)*, Joko Sampurno 2), Andi Ihwan 2) 1)BMKG Stasiun
Lebih terperinciMetode Jaringan Saraf Tiruan Propagasi Balik Untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat
Prosiding Semirata FMIPA Universitas Lampung, 2013 Metode Jaringan Saraf Tiruan Propagasi Balik Untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat Andi Ihwan Prodi Fisika FMIPA Untan, Pontianak
Lebih terperinci1. BAB I PENDAHULUAN
1. BAB I PENDAHULUAN 1.1. Latar Belakang Wilayah Indonesia umumnya dikelilingi oleh lautan yang berada antara samudera Hindia dan Samudera Pasifik. Samudera ini menjadi sumber kelembaban utama uap air
Lebih terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
Lebih terperinciANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA
ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Banjarmasin Ringkasan Kebutuhan
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT Havid Syafwan Program Studi Manajemen Informatika, Amik Royal, Kisaran E-mail: havid_syafwan@yahoo.com ABSTRAK:
Lebih terperinciEVALUASI CUACA BULAN JUNI 2016 DI STASIUN METEOROLOGI PERAK 1 SURABAYA
EVALUASI CUACA BULAN JUNI 2016 DI STASIUN METEOROLOGI PERAK 1 SURABAYA OLEH : ANDRIE WIJAYA, A.Md FENOMENA GLOBAL 1. ENSO (El Nino Southern Oscillation) Secara Ilmiah ENSO atau El Nino dapat di jelaskan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 21 Anatomi Ayam Pengetahuan tentang anatomi ayam sangat diperlukan dan penting dalam pencegahan dan penanganan penyakit Hal ini karena pengetahuan tersebut dipakai sebagai dasar
Lebih terperinciJaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum
Jaringan Syaraf Tiruan Disusun oleh: Liana Kusuma Ningrum Susilo Nugroho Drajad Maknawi M0105047 M0105068 M01040 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
Lebih terperinciEVALUASI MODEL JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK PREDIKSI IKLIM EKSTRIM DENGAN KORELASI CURAH HUJAN DAN TINGGI MUKA LAUT DI SEMARANG
Youngster Physics Journal ISSN : 2302-7371 Vol. 4, No. 1, Januari 2015, Hal 67-72 EVALUASI MODEL JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK PREDIKSI IKLIM EKSTRIM DENGAN KORELASI CURAH HUJAN DAN
Lebih terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih terperinciANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION Eka Irawan1, M. Zarlis2, Erna Budhiarti Nababan3 Magister Teknik Informatika, Universitas Sumatera
Lebih terperinci3. METODE PENELITIAN
19 3. METODE PENELITIAN 3.1 Diagram Alir Penelitian Kerangka pemikiran pada penelitian ini dapat digambarkan dalam suatu bagan alir seperti pada Gambar 8. Gambar 8 Diagram Alir Penelitian Pengumpulan Data
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No. 1, Juni 2015 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan untuk Memprediksi Prestasi
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinciRANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON
RANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON Liza Afriyanti Laboratorium Komputasi dan Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas Islam
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciPERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Seminar Nasional Aplikasi Teknologi Informasi 20 (SNATI 20) ISSN: 19-5022 Yogyakarta, 16 Juni 20 PERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Lebih terperinciBAB VIIB BACKPROPAGATION dan CONTOH
BAB VIIB BACKPROPAGATION dan CONTOH 7B. Standar Backpropagation (BP) Backpropagation (BP) merupakan JST multi-layer. Penemuannya mengatasi kelemahan JST dengan layer tunggal yang mengakibatkan perkembangan
Lebih terperinciEstimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan
Estimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan Andi Ihwan 1), Yudha Arman 1) dan Iis Solehati 1) 1) Prodi Fisika FMIPA UNTAN Abstrak Fluktuasi suhu udara berdasarkan
Lebih terperinciPrediksi Jangka Pendek Debit Aliran Irigasi Seluma dengan Menggunakan Jaringan Syaraf Tiruan
Prediksi Jangka Pendek Debit Aliran Irigasi Seluma dengan Menggunakan Jaringan Syaraf Tiruan Supiyati, Syamsul Bahri dan Iwan Erdi Abstract: Penelitian mengenai prediksi jangka pendek debit aliran irigasi
Lebih terperinciANALISIS JARINGAN SARAF TIRUAN BACKPROPAGATION TERHADAP PERAMALAN NILAI TUKAR MATA UANG RUPIAH DAN DOLAR
Jurnal Barekeng Vol. 8 No. Hal. 7 3 (04) ANALISIS JARINGAN SARAF TIRUAN BACKPROPAGATION TERHADAP PERAMALAN NILAI TUKAR MATA UANG RUPIAH DAN DOLAR Analysis of Backpropagation Artificial Neural Network to
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA
APLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA Pembimbing: Desi Fitria Utami M0103025 Drs. Y. S. Palgunadi, M. Sc
Lebih terperinciNeural Network (NN) Keuntungan penggunaan Neural Network : , terdapat tiga jenis neural network Proses Pembelajaran pada Neural Network
Neural Network (NN) adalah suatu prosesor yang melakukan pendistribusian secara besar-besaran, yang memiliki kecenderungan alami untuk menyimpan suatu pengenalan yang pernah dialaminya, dengan kata lain
Lebih terperinciMATERI DAN METODE. Cara Pengambilan Data
MATERI DAN METODE Lokasi dan Waktu Penelitian ini dilaksanakan di Laboratorium Lapang Bagian Ilmu Produksi Ternak Perah, Fakultas Peternakan Institut Pertanian Bogor. Penelitian dilaksanakan selama dua
Lebih terperinciJARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM INTRODUCTION Jaringan Saraf Tiruan atau JST adalah merupakan salah satu representasi tiruan dari otak manusia yang selalu
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciBAB II. Penelitian dengan jaringan syaraf tiruan propagasi balik. dalam bidang kesehatan sebelumnya pernah dilakukan oleh
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian dengan jaringan syaraf tiruan propagasi balik dalam bidang kesehatan sebelumnya pernah dilakukan oleh Sudharmadi Bayu Jati Wibowo
Lebih terperinciJurnal Informatika Mulawarman Vol 5 No. 1 Februari
Jurnal Informatika Mulawarman Vol 5 No. 1 Februari 2010 50 Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Saraf Tiruan Jaringan Saraf Tiruan ( artificial neural networks) atau disingkat JST adalah sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
5 BAB 2 TINJAUAN PUSTAKA 2.1. Analisis Analisis adalah kemampuan pemecahan masalah subjek kedalam elemen-elemen konstituen, mencari hubungan-hubungan internal dan diantara elemen-elemen, serta mengatur
Lebih terperinciBAB 1 PENDAHULUAN. aspek kehidupan dari bangsa ini akan selalu dipengaruhi oleh keadaan hujan ataupun
BAB 1 PENDAHULUAN 1.1. Latar Belakang Indonesia adalah negara daerah tropis yang diapit antara samuera Hindia dan samudera Pasifik juga antara benua Asia dan benua Austarlia, memiliki dua musim dalam setahun,
Lebih terperinciMODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA
MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA Ramli e-mail:ramli.brt@gmail.com Dosen Tetap Amik Harapan Medan ABSTRAK Jaringan Syaraf Tiruan adalah pemrosesan
Lebih terperinciPenerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
Lebih terperinciPERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK
Jurnal POROS TEKNIK, Volume 6, No. 2, Desember 2014 : 55-10 PERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK Nurmahaludin (1) (1) Staff Pengajar Jurusan
Lebih terperinciIII. BAHAN DAN METODE
39 III. BAHAN DAN METODE 3.1. Waktu dan Tempat Penelitian dilaksanakan pada bulan Agustus sampai Desember tahun 2010 di rumah tanaman (greenhouse) Balai Penelitian Agroklimatologi dan Hidrologi (Balitklimat),
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciKOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS
KOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS 1 Sofyan Azhar Ramba 2 Adiwijaya 3 Andrian Rahmatsyah 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi Telkom
Lebih terperinciterinspirasi dari sistem biologi saraf makhluk hidup seperti pemrosesan informasi
25 BAB III JARINGAN SARAF TIRUAN (JST) 3.1 Pengertian JST JST merupakan sebuah model atau pola dalam pemrosesan informasi. Model ini terinspirasi dari sistem biologi saraf makhluk hidup seperti pemrosesan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 2.1 Jaringan Syaraf Biologi Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Biologi Jaringan Syaraf Tiruan merupakan suatu representasi buatan dari otak manusia yang dibuat agar dapat mensimulasikan apa yang dipejalari melalui proses pembelajaran
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang
BAB 3 PERANCANGAN SISTEM Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang diimplementasikan sebagai model estimasi harga saham. Analisis yang dilakukan adalah menguraikan penjelasan
Lebih terperinciBAB VIII JARINGAN SYARAF TIRUAN
BAB VIII JARINGAN SYARAF TIRUAN A. OTAK MANUSIA Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk memproses informasi. Tiaptiap sel bekerja seperti suatu prosesor sederhana. Masing-masing
Lebih terperinciPERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
Lebih terperinci1 Pendahuluan. 1.1 Latar Belakang Masalah
1 Pendahuluan 1.1 Latar Belakang Masalah Kebutuhan masyarakat akan perkiraan cuaca terutama curah hujan ini menjadi sangat penting untuk merencanakan segala aktifivitas mereka. Curah hujan juga memiliki
Lebih terperinciPENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION
PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION Amriana 1 Program Studi D1 Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik UNTAD ABSTRAK Jaringan saraf tiruan untuk aplikasi
Lebih terperinciBAB II DASAR TEORI Jaringan Syaraf Tiruan. Universitas Sumatera Utara
BAB II DASAR TEORI Landasan teori adalah teori-teori yang relevan dan dapat digunakan untuk menjelaskan variabel-variabel penelitian. Landasan teori ini juga berfungsi sebagai dasar untuk memberi jawaban
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Tingkat pemanasan rata-rata selama lima puluh tahun terakhir hampir dua kali lipat dari rata-rata seratus tahun terakhir, di mana pemanasan lebih dirasakan
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI ESTIMASI LAJU TINGKAT PENGANGGURAN TERBUKA PADA PROVINSI JAWA TIMUR
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI ESTIMASI LAJU TINGKAT PENGANGGURAN TERBUKA PADA PROVINSI JAWA TIMUR Sofi Dwi Purwanto Teknik Informatika Universitas Islam Negeri Maulana Malik
Lebih terperinciAnalisis Jaringan Saraf Tiruan Model Perceptron Pada Pengenalan Pola Pulau di Indonesia
Jurnal Ilmiah Teknologi dan Informasi ASIA (JITIKA) Vol.11, No.1, Februari 2017 ISSN: 0852-730X Analisis Jaringan Saraf Tiruan Model Perceptron Pada Pengenalan Pola Pulau di Indonesia Muhammad Ulinnuha
Lebih terperinciANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang)
ANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang) 1 Musli Yanto, 2 Sarjon Defit, 3 Gunadi Widi Nurcahyo
Lebih terperinciPREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK
Berkala Fisika ISSN : 1410-9662 Vol.18, No.4, Oktober 2015, hal 151-156 PREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK Zaenal
Lebih terperinciANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
Seminar Nasional Informatika 0 ANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian, Purwa Hasan Putra Dosen Teknik Informatika,
Lebih terperinciSebelumnya... Pembelajaran Mesin/Machine Learning Pembelajaran dengan Decision Tree (ID3) Teori Bayes dalam Pembelajaran
Sebelumnya... Pembelajaran Mesin/Machine Learning Pembelajaran dengan Decision Tree (ID3) Teori Bayes dalam Pembelajaran Kecerdasan Buatan Pertemuan 11 Jaringan Syaraf Tiruan (Artificial Neural Network)
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciIV HASIL DAN PEMBAHASAN
tersembunyi berkisar dari sampai dengan 4 neuron. 5. Pemilihan laju pembelajaran dan momentum Pemilihan laju pembelajaran dan momentum mempunyai peranan yang penting untuk struktur jaringan yang akan dibangun.
Lebih terperinciMakalah Seminar Tugas Akhir
Makalah Seminar Tugas Akhir PERAMALAN KETINGGIAN MUKA AIR DENGAN JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK Herry Dharma Setyawan *, Budi Setiyono **, R. Rizal Isnanto ** Jurusan Teknik Elektro, Fakultas
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Semua negara mempunyai mata uang sebagai alat tukar. Pertukaran uang dengan barang yang terjadi disetiap negara tidak akan menimbulkan masalah mengingat nilai uang
Lebih terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Karyawan atau tenaga kerja adalah bagian
Lebih terperinci2.1. Dasar Teori Bandwidth Regression
2.1. Dasar Teori 2.1.1. Bandwidth Bandwidth adalah ukuran kapasitas dari sistem transmisi (Comer, 2004) Bandwidth adalah konsep pengukuran yang sangat penting dalam jaringan, tetapi konsep ini memiliki
Lebih terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinci1.1. Jaringan Syaraf Tiruan
BAB I PENDAHULUAN 1.1. Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (JST) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi yang digambarkan sebagai berikut
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION [1] Novi Indah Pradasari, [2] F.Trias Pontia W, [3] Dedi Triyanto [1][3] Jurusan Sistem Komputer,
Lebih terperinciBAB III METODE PENELITIAN
3.1. Kerangka Pemikiran BAB III METODE PENELITIAN Permasalahan yang akan dijawab atau tujuan yang ingin dicapai pada penelitian ini adalah untuk melakukan prakiraan beban listrik jangka pendek atau untuk
Lebih terperinciPENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto
PENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto Teknik Informatika, Univesitas Dian Nuswantoro ABSTRACT: Peramalan saham merupakan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih terperinciANALISIS PERBANDINGAN METODE BACKPROPAGATION DAN RADIAL BASIS FUNCTION UNTUK MEM PREDIKSI CURAH HUJAN DENGAN JARINGAN SYARAF TIRUAN
ANALISIS PERBANDINGAN METODE BACKPROPAGATION DAN RADIAL BASIS FUNCTION UNTUK MEM PREDIKSI CURAH HUJAN DENGAN JARINGAN SYARAF TIRUAN Abstrak Vinsensius Rinda Resi - NIM : A11.2009.04645 Program Studi Teknik
Lebih terperinciPERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO)
Jurnal POROS TEKNIK, Volume 5, No. 1, Juni 2013 : 18-23 PERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO) Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik
Lebih terperinciBAB II NEURAL NETWORK (NN)
BAB II NEURAL NETWORK (NN) 2.1 Neural Network (NN) Secara umum Neural Network (NN) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. NN ini merupakan
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN DENGAN ALGORITMA PROPAGASI BALIK UNTUK MEMPREDIKSI KETINGGIAN AIR DI SUATU DAERAH ALIRAN SUNGAI RENDI PRASETYA
IMPLEMENTASI JARINGAN SYARAF TIRUAN DENGAN ALGORITMA PROPAGASI BALIK UNTUK MEMPREDIKSI KETINGGIAN AIR DI SUATU DAERAH ALIRAN SUNGAI RENDI PRASETYA DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinci